技术特征：
1.一种基于孪生多任务网络的城市建筑物变化遥感检测方法，其特征在于，基于孪生神经网络和多任务学习，包括以下步骤：步骤s1：选择覆盖研究区域的双时相高分辨率遥感影像，并对遥感影像进行预处理；步骤s2：基于卷积神经网络，构建多任务特征提取器，同时提取遥感影像的区域特征f
mask
和边界特征f
contour
；步骤s3：基于步骤s2，构建特征差异度量模块，分别计算双时相影像的区域特征差异度d
mask
及边界特征差异度d
contour
；步骤s4：建立联合损失函数，在模型训练阶段，使用联合损失函数约束步骤s2、步骤s3不断调优；步骤s5：收集用于高分辨率遥感影像变化检测的公开影像数据集，构建对抗神经网络对公开遥感影像数据集进行样本迁移，制作模型训练样本库；步骤s6：训练孪生多任务模型，并将训练好的模型用于步骤s1所获遥感影像的城市建筑物变化检测。2.根据权利要求1所述的一种基于孪生多任务网络的城市建筑物变化遥感检测方法，其特征在于，步骤s1具体包括以下步骤：步骤s11：选择存在建筑物变化区域的两幅不同时相高分辨率遥感影像，并对遥感影像进行预处理；主要包括：正射校正、多光谱-全色融合操作；步骤s12：对步骤s11获得的双时相遥感影像进行地理配准。3.根据权利要求1所述的一种基于孪生多任务网络的城市建筑物变化遥感检测方法，其特征在于，步骤s2具体包括以下步骤：步骤s21：基于卷积神经网络，使用卷积层代替全连接层，构建编码器；编码器为两个任务共用，编码器由四部分构成，每部分均包含一个空洞卷积层、池化层和激活函数；步骤s22：使用多个下采样模块构建区域解码器和边界解码器，并在各解码器中采用跳层连接机制，将双时相图像的深浅层特征结合；步骤s23：基于步骤s21、s22构建多任务特征提取器；并在特征提取器中加入注意力机制；步骤s24：使用两个权值共享的多任务特征提取器搭建孪生神经网络，自动学习不同时刻遥感影像t1和t2的图像区域特征f
mask
和边界特征f
contour
。4.根据权利要求1所述的一种基于孪生多任务网络的城市建筑物变化遥感检测方法，其特征在于，步骤s3具体包括以下步骤：步骤s31：分别计算图像区域特征f
mask
、边界特征f
contour
之间的欧氏距离，获取距离图d
mask
和d
contour
；计算像素级特征间差异度d
p
采用下式：式中，i,j代表像素的坐标值，代表第一时相的遥感影像在指定位置像素的特征值，代表第二时相的影像在指定位置像素的特征值；步骤s32：对步骤s31获得的距离图d
mask
、d
contour
进行卷积操作，使用softmax层完成特征
差异度量模块构建。5.根据权利要求1所述的一种基于孪生多任务网络的城市建筑物变化遥感检测方法，其特征在于，步骤s4具体包括以下步骤：步骤s41：使用负对数似然损失作为多任务特征提取器模块中区域、边界特征提取任务的损失函数，特征提取部分的总损失函数公式为：l
total
＝λ1l
mask
+λ2l
contour
式中，l
total
表示特征提取部分的总损失值，λ1、λ2是各部分损失的权重参数；具体的单项损失计算公式为：损失计算公式为：式中，l
mask
、l
contour
分别表示区域提取和边界提取的像素分类误差；x是图像空间ω中的像素位置；p
mask
(x；l
mask
(x))、p
contour
(x；l
contour
(x))表示softmax激活函数对真标签l
mask
和l
contour
的预测概率；步骤s42：特征差异度量模块使用focal loss函数：l
focalloss
＝-α(1-ρ
t
)
λ
log(ρ
t
)式中，l
focalloss
表示focal loss函数，α是来控制正负样本对总损失的共享权重，λ为可调的聚焦参数，p为变化概率；步骤s43：设置孪生多任务神经网络的损失函数l
siam_mul_task
为：l
siam_mul_task
＝θ1l
total
+θ2l
focalloss
式中，θ1、θ2表示各部分权重比例，l
total
为特征提取部分的损失函数。6.根据权利要求1所述的一种基于孪生多任务网络的城市建筑物变化遥感检测方法，其特征在于，步骤s5具体包括以下步骤：步骤s51：选择高分辨率遥感影像变化检测公开数据集，挑选城市建筑物场景下的训练样本；步骤s52：对研究区的高分辨率影像进行正射校正、影像融合预处理操作，并得到rgb影像；步骤s53：基于步骤s1处理后的影像制作少量城市建筑物变化数据集，并与公开数据集共同训练对抗神经网络，使用训练充分的对抗神经网络生成伪数据集，进行样本层面的迁移学习；步骤s54：使用步骤s53获取的伪数据集，结合目标域的城市建筑物变化检测数据集，构建模型训练样本库，以训练孪生多任务变化检测网络。7.根据权利要求1所述的一种基于孪生多任务网络的城市建筑物变化遥感检测方法，其特征在于，步骤s6具体包括以下步骤：步骤s61：使用步骤s5获取的样本库，设置网络超参数，训练孪生多任务变化检测模型，
保存模型权重；步骤s62：使用模型对步骤s1获取的目标影像进行城市建筑物变化检测，获取变化检测结果。
技术总结
本发明提供了一种基于孪生多任务网络的城市建筑物变化遥感检测方法，包括以下步骤：步骤S1：选择覆盖研究区域的双时相高分辨率遥感影像；步骤S2：构建多任务特征提取器；步骤S3：基于步骤S2，构建特征差异度量模块；步骤S4：建立联合损失函数；步骤S5：构建遥感影像数据集进行样本迁移，制作模型训练样本库；步骤S6：训练孪生多任务模型。应用本技术方案可解决传统孪生神经网络在遥感影像变化检测结果中出现的检测边界与实际边界吻合度较低的问题，减少由于高分辨率遥感影像的空间位移问题而造成的错检漏检现象，而且端对端的模型架构有效提升了变化检测效率，为高效获取高分辨率影像中精细的城市建筑物变化信息提供技术支撑。撑。撑。
技术研发人员：李蒙蒙 刘宣广 汪小钦 陈芸芝
受保护的技术使用者：福州大学
技术研发日：2022.04.19
技术公布日：2022/7/29